1.如果训练集上的loss很大时：
此时先不用考虑测试集的问题，因为本身训练的结果就不好；
可以考虑从以下两点出发：
1.模型的bias不合适，我们自定义的函数集太过简单，导致无论取哪一个函数用来训练的loss都比较差
解决方法：增加函数的灵活性，譬如增大参数个数，让更多的自变量来控制你的函数变化；也可以使用深度学习，用更多的神经元的layer来提高函数的灵活性；
2.优化器不够好，例如gradient descent就会陷入局部最优解问题而无法找到loss最优的函数，查看优化器章节有解决方法；
2.如果训练集上的loss很小时：
此时就应该考虑到测试集上的loss了，
如果测试集上的loss很小，说明机器学习很成功！
反之，如果测试集上的loss很大，可以考虑从以下两点出发：
1.过拟合，函数过分关注训练集的数据，想要在训练集上达到近乎完美的训练效果，导致在测试集上的loss不减反增，这时候应该增大训练数据集，简化function，或者说进行数据增强（合理的数据增强）
2，测试集和训练集相比出现了无法预测的巨大偏差，比如说训练集全是动物，而测试集却全是机车，理所当然这是无法有一个好的预测结果的。
